Multimodal investigation of brain network hub reorganization in epilepsy and sleep

L'imagerie par résonance magnétique fonctionnelle à l'état de repos (IRMf ER) permet d' étudier les réseaux cérébraux en mesurant les corrélations temporelles entre fluctuations lentes et spontanées du signal IRMf. Dans ces réseaux, les centres de connexion qui participent à la communication inter-réseau constituent des « hubs » qui présentent un intérêt car ils sont impliqués dans l'intégration de fonctions cérébrales de haut-niveau. La théorie des graphes est largement utilisée pour identifier ces hubs, et ce par l'analyse de la matrice de corrélations. Cependant, cette approche est limitée en raison du problème de multi-colinéarité. Cette thèse propose et valide un nouveau modèle d'analyse des hubs de connexion à partir de données IRMf ER, tout en prenant en compte le problème de multi-colinéarité. La méthode proposée a été appliquée dans le cadre de deux études cliniques, rapportant des réorganisations des hubs en épilepsie et pendant le sommeil chez de jeunes sujets sains. Les contributions méthodologiques de cette thèse consistent en deux projets. Dans l'étude 1, nous avons développé et validé une nouvelle méthode d'analyse multivariée de détection des hubs en IRMf ER, intitulée "Sparsity-based Analysis of Reliable K-hubness (SPARK)". Cette méthode est basée sur un modèle linéaire généralisé avec parcimonie, combiné à une stratégie de ré-échantillonnage bootstrap afin d'assurer une détection fiable des hubs au niveau individuel. L'originalité de SPARK ne vient pas seulement de l'estimation réaliste du nombre de réseau impliqué dans chaque hub (k-hubness), mais aussi de l'identification explicite de quels réseaux sont impliqués dans chaque hub. Nous avons démontré la robustesse et la fiabilité de SPARK avec simulations réalistes et données réelles. Dans l'étude 2, nous proposons une classification automatique des composantes de bruit physiologique estimées par SPARK, et ce à l'aide d'a priori spatiaux et d'une procédure de régression stepwise. La classification manuelle de telles composantes est efficace, mais longue et dépendante de l'expérience des évaluateurs. Après évaluation, notre classification automatique a démontré une bonne spécificité et sensibilité, ainsi qu'une amélioration significative de l'identification des hubs. La contribution clinique de cette thèse est liée aux résultats des deux prochaines études.Dans l'étude 3, nous avons étudié la réorganisation des hubs chez des patients présentant une épilepsie du lobe temporal, en analysant de données IRMf ER avec SPARK. Un enregistrement simultané en électroencéphalographie (EEG) était utilisé pour identifier les décharges épileptiques. Nous avons observé une réorganisation asymétrique des hubs de connexion chez ces patient, incluant la disparition de hubs normaux, l'émergence de nouveaux hubs, ainsi qu'une latéralisation spécifique de plusieurs réseaux. Nos résultats suggèrent que SPARK est un outil prometteur pour identifier des biomarqueurs de l'épilepsie, et ce à l'aide d'une acquisition IRMf de courte durée (~6min). Dans l'étude 4, nous avons étudié, avec SPARK, la réorganisation des hubs de connexion chez des adultes en bonne santé lors d'une sieste effectuée après une nuit de privation de sommeil. Nous avons observé une réorganisation significative des hubs ainsi qu'une ségrégation hiérarchique des réseaux en sous-réseaux, pendant le sommeil lent comparé à l'éveil. Une telle ségrégation était corrélée avec la récupération de performances cognitives de vigilance et d'attention après la sieste. Cette étude suggère un rôle essentiel de la réorganisation des hubs lors de la récupération des fonctions cérébrales à la suite d'une privation de sommeil. En conclusion, nous avons proposé et validé SPARK, une nouvelle méthode d'analyse des hubs de connexion à l'aide de données IRMf ER. L'utilité clinique de SPARK a été démontrée lors d'études sur l'épilepsie et le sommeil, suggérant SPARK comme un outil prometteur d'analyse des réseaux fonctionnels.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.